今天小编要给大家分享的是今年7月份发表在Front Immunol(IF:5.085)杂志上关于肿瘤多组学免疫的研究，作者开发了一个实用的工具，可利用多组学数据研究肿瘤免疫相互作用。作者还开发了一个用户友好的基于Web界面的应用程序，面向没有R编程技能的基础研究人员，可谓非常贴心啦。做免疫的小伙伴不要错过啦！

IOBR: Multi-Omics Immuno-Oncology Biological Research to Decode Tumor Microenvironmentand Signatures

IOBR：多组学免疫肿瘤生物学研究解码肿瘤微环境和特征

一．研究背景

如今，免疫疗法彻底改变了晚期癌症的治疗方式。近年来，免疫检查点阻断(ICB)在多种恶性肿瘤的治疗中取得了成功。然而，由于患者之间免疫治疗疗效的异质性的存在，使得仍需要研究宿主-肿瘤的相互作用，特别是肿瘤微环境(TME)内的免疫细胞浸润，来确定可靠的精准治疗预测生物标志物。因此，作者开发了名为IOBR的计算工具，对多组学解释，包括特征评分计算和其与临床表型相关性的系统估计 、非编码RNA特征、来自多种癌症的scRNA-seq数据和基因组特征，以及多种TME反卷积算法和快速的signaure构建来对肿瘤微环境进行全面的探索和可视化。

二．主要结果

1. IOBR 工作流程

如所示，IOBR包括四个功能模块，分别是特征和TME去卷积模块、表型模块、变异模块和模型构建模块。

接下来作者介绍了IOBR中包含的四个分析模块的功能（）。除了数据预处理功能外，功能模块还包括：（1）分析与临床表型、lncRNA相关的特征，以及基于bulk RNA-seq或scRNA-seq数据和TME去卷积构建的靶向特征；(2) 表型相关特征、细胞分数或特征基因的识别，以及相应的批量统计分析和可视化；(3) 与感兴趣的特征相关的特定突变景观的估计；(4) 特征选择后的模型构建。

2. 识别与治疗反应相关的 TME 成分和特征

接下来，为了证明IOBR的效能，作者下载了接受抗PD-L1免疫疗法(atezolizumab)的转移性尿路上皮癌患者的转录组和匹配的临床数据，通过IOBR包中的count2tpm函数将count数据转换为TPM值，calculate_sig_score函数估计在 IOBR 中收集的多个基因signature。此外，基于源自sva R 包的ComBat函数构建了用于在解剖肿瘤微环境时去除跨数据集的批处理效应的remove_batcheffect函数。此外，IOBR 在bulk RNA-seq 研究中使用 iobr_cor_plot 函数批量分析和显示与治疗反应相关的推定特征的适用性一致。

如A、B所示，总的来说，IOBR极大的简化了bulk RNA-seq数据TME剖析和特征计算分析程序，并丰富了多组学研究的相应输出。

3. 利用从 scRNA-seq 分析生成的特征来解码bulk RNA-seq数据

由于单细胞分析以高分辨率揭示了肿瘤内细胞的巨大异质性，作者利用来自结直肠癌队列患者的scRNA-seq数据提取了细胞类型特异性基因表达signature，这些signature是通过文献中的聚类分析确定的。如C、D所示，IOBR可以利用源自单细胞分析的signature通过实现CIBERSORT的线性svr算法或lsei算法来解析IMvigor210队列的bulk RNA-seq数据，使与免疫治疗最佳整体反应相关的TME复合物批量可视化快速输出，并提供多种显示选项。

4. 批量分析和可视化

接下来，作者为了方便实现快速探索多个数据，开发了多个函数：iobr_cor_plot 函数动态生成统计结果并有效地描述signature与目标表型之间的相关性，例如治疗反应和致癌感染状态。sig_forest功能方便用户在生存分析输出源于整合batch_survival功能，并描绘了多个signature的风险比的森林图（F）。基于 pROC R 包的函数sig_roc能够描绘多个signature的 AUC 曲线（图 3G）。此函数中的参数compare_method使用户能够使用可选方法比较任何两个感兴趣的signature之间的统计差异。sig_box 函数可用于推断类别变量与特定signature之间的相关性，箱线图显示任何类别之间signature分数的统计差异（图 3E）。

此外，IOBR 能够使用相同的方法快速可视化特征基因与目标变量（二分类或连续）之间的关系。同样，IOBR 也可以识别与感兴趣的signature显着相关的signature。IOBR 包括连续特征评分或分类表型亚组的批次生存分析，上述批次相关分析使用统计检验，包括 Wilcoxon 检验和偏相关系数 (PCC)。

5. 评估与特定特征相关的突变并描绘相关的突变情况

为了阐明TME、基因组改变并破译潜在的相关性并认识到特定体细胞基因突变可能驱动肿瘤发生、改变癌细胞对抗肿瘤免疫细胞的脆弱性，以及多种癌症的免疫治疗。作者开发了多个函数：make_mut_matrix函数，通过输入MAF格式文件，其结果输入find_mutations函数进行后续分析，可以生成基因组MAF数据和感兴趣的基因signature矩阵。

由于CD8 + T 细胞在抗肿瘤免疫中的重要性得到公认，因此作者专注于CD8+ T细胞效应子signature，作者可视化了CD8 +野生型和突变环境中的CD8+ T 效应子signature评分，包括 PIK3CA、ARID1A、ARID1B 和 TCHH 的突变状态(Figure 4A)。可以使用肿瘤图有效地显示结果，显示高和低 CD8 + T 效应子评分子集中的基因组改变，分别进行比较（图 4B）。在肿瘤图中观察到包括上述基因在内的突变频率显着增加。

到这里这篇文章的主要内容就介绍完啦，作者整合了多种多组学分析方法，开发了一种综合计算工具IOBR，大大简化了对肿瘤免疫综合分析的流程，并且作者还整合了单细胞分析生成的signature基因集，提高了分析的准确率。R包已经上传GitHub，并且开发了基于Web的图形化界面，极大的方便了我们的使用。感兴趣的小伙伴不要错过啦。